Nothing Special   »   [go: up one dir, main page]

KR102553031B1 - 배터리의 상태 추정 장치 및 방법 - Google Patents

배터리의 상태 추정 장치 및 방법 Download PDF

Info

Publication number
KR102553031B1
KR102553031B1 KR1020160004902A KR20160004902A KR102553031B1 KR 102553031 B1 KR102553031 B1 KR 102553031B1 KR 1020160004902 A KR1020160004902 A KR 1020160004902A KR 20160004902 A KR20160004902 A KR 20160004902A KR 102553031 B1 KR102553031 B1 KR 102553031B1
Authority
KR
South Korea
Prior art keywords
battery
soc
estimating
soh
electrode
Prior art date
Application number
KR1020160004902A
Other languages
English (en)
Other versions
KR20170085365A (ko
Inventor
송태원
박상도
여태정
김진호
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020160004902A priority Critical patent/KR102553031B1/ko
Priority to US15/405,650 priority patent/US10935608B2/en
Publication of KR20170085365A publication Critical patent/KR20170085365A/ko
Application granted granted Critical
Publication of KR102553031B1 publication Critical patent/KR102553031B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

배터리 상태 추정과 관련된 기술로, 일 양상에 따른 배터리 상태 추정 장치는 배터리로부터 획득한 데이터에 기반하여 배터리 열화로 인한 배터리 SOH를 추정하는 SOH 추정부, 및 추정한 배터리 SOH에 기반하여 배터리 SOC를 추정하는 SOC 추정부를 포함할 수 있다.

Description

배터리의 상태 추정 장치 및 방법{Method and apparatus for estimating state of battery}
배터리 관리 시스템 내 배터리 상태 추정 기술과 관련된다.
배터리 상태를 추정하는 방법에는 전류적산법(Ah법 혹은 Coulomb Counting법), 전압측정법, 저항측정법 등이 있을 수 있다. 전류적산법(Ah법 혹은 Coulomb Counting법)은 사용 전류와 시간과의 관계로부터 사용된 용량을 반영하여 SOC(State of Charge)를 추정하는 방법이고, 전압측정법은 배터리의 개회로전압(OCV, Open Circuit Voltage)으로부터 미리 측정된 OCV와 SOC관계로부터 배터리 상태를 추정하는 방법이다. 저항측정법은 배터리 내부 저항과 SOC 관계에서 배터리 상태를 추정하는 방법이다.
여기서, 배터리의 상태 추정에 이용되는 배터리의 용량 감쇄(capacity fade)는 배터리 SOH(State of Health)에 따라 영향을 받을 수 있는데, 개별적인 각각의 열화 인자들을 고려하는 열화 모델로는 복합적인 열화 인자들 사이의 상호 작용을 고려하지 못할 수 있다.
배터리의 열화에 관한 데이터로부터, 배터리 열화를 고려하여 배터리의 상태를 추정하는 기술을 제시한다.
일 양상에 따른 배터리 상태 추정 장치는 배터리로부터 획득한 데이터에 기반하여 배터리 열화로 인한 배터리 SOH를 추정하는 SOH 추정부, 및 추정한 배터리 SOH에 기반하여 배터리 상태를 추정하는 SOC 추정부,를 포함할 수 있다.
또한, 전압, 전류, 온도, 전류율, 충방전 사이클 중 하나 이상의 데이터를 수집하는 데이터 수집부를 더 포함할 수 있다.
SOH 추정부는 수집한 데이터를 사전에 학습된 데이터 분석 기법에 적용하여 배터리 SOH를 추정할 수 있다.
이때, 데이터 분석 기법은 신경망(Neural network), 딥 러닝(Deep learning) 중 하나 이상에 기반하여 배터리 운전에 따른 데이터로부터 배터리 열화 정도를 고려하는 분석 기법일 수 있다.
SOC 추정부는 배터리 용량, 배터리 운전 시간, 충방전 시간 및 충방전 사이클 횟수 중 하나 이상에 기초하여 파라미터 갱신 주기를 결정할 수 있다.
SOC 추정부는 추정한 배터리 SOH에 기반하여 전극 관련 파라미터를 갱신하고, 갱신한 파라미터에 기초하여 배터리 SOC를 추정할 수 있다.
전극 관련 파라미터는 전극 체적비, 막 저항, 전극 입자 크기 중 하나 이상을 포함할 수 있다.
SOC 추정부는 갱신한 파라미터를 전기 화학 모델에 적용하여 전위, 농도 분포 중 하나 이상의 배터리 상태를 추정할 수 있다.
다른 양상에 따른 배터리 상태 추정 방법은 배터리로부터 획득한 데이터에 기반하여 배터리 열화로 인한 배터리 SOH(State of Health)를 추정하는 단계, 및 추정한 배터리 SOH에 기반하여 배터리 SOC(State of Charge)를 추정하는 단계를 포함할 수 있다.
또한, 전압, 전류, 온도, 전류율, 충방전 사이클 중 하나 이상의 데이터를 수집하는 단계를 더 포함할 수 있다.
배터리 SOH를 추정하는 단계는 수집한 데이터를 사전에 학습된 데이터 분석 기법에 적용하여 배터리 SOH를 추정할 수 있다.
이때, 데이터 분석 기법은 신경망(Neural network), 딥 러닝(Deep learning) 중 하나 이상에 기반하여 배터리 운전에 따른 데이터로부터 배터리 열화 정도를 고려하는 분석 기법일 수 있다.
배터리 SOC를 추정하는 단계는 배터리 용량, 배터리 운전 시간, 충방전 시간 및 충방전 사이클 횟수 중 하나 이상에 기초하여 파라미터 갱신 주기를 결정하는 단계를 더 포함할 수 있다.
배터리 SOC를 추정하는 단계는 추정한 배터리 SOH를 반영하여 전극 관련 파라미터를 갱신하고, 갱신한 파라미터에 기초하여 배터리 SOC를 추정할 수 있다.
이때, 전극 관련 파라미터는 전극 체적비, 막 저항, 전극 입자 크기 중 하나 이상을 포함할 수 있다.
배터리 SOC를 추정하는 단계는 갱신한 파라미터를 전기 화학 모델에 적용하여 전위, 농도 분포 중 하나 이상의 배터리 상태를 추정할 수 있다.
배터리의 실제 운전 데이터를 분석하여 배터리 열화 정도를 반영하므로 각각의 배터리 별로 맞춤화된 배터리 상태의 추정이 가능하고, 배터리 상태 추정의 정확도를 향상시킬 수 있다.
도 1은 열화된 배터리 셀의 배터리 가용 용량 및 SOC 영역을 나타내는 일 예이다.
도 2는 일 실시 예에 따른 배터리 상태 추정 장치(100)의 블록도이다.
도 3은 일 실시 예에 따른 배터리 상태 추정 장치(100)의 상세 블록도이다.
도 4는 배터리 SOH에 기반하여 배터리 상태를 추정하는 일 예이다.
도 5a는 배터리 열화의 고려 없이 배터리 SOC를 추정하는 경우 배터리 SOC 그래프의 일 예이다.
도 5b는 일 실시 예에 따른 배터리 상태 추정 장치(100)를 이용하여 배터리 SOC를 추정하는 경우 배터리 SOC 그래프의 일 예이다.
도 6은 일 실시 예에 따른 배터리 상태 추정 방법의 흐름도이다.
도 7은 일 실시 예에 따른 배터리 상태 추정 방법의 상세 흐름도이다.
도 8은 파라미터 갱신 주기에 기초한 배터리 상태 추정 방법의 상세 흐름도이다.
기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다. 기재된 기술의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
도 1은 열화된 배터리 셀의 배터리 가용 용량 및 SOC(State of Charge) 영역을 나타내는 일 예이다. 도 1을 참고하면, 초기의 배터리 셀(fresh cell)과 열화된 배터리 셀(Degraded cell)의 가용 용량의 변화를 볼 수 있다. 배터리의 운전으로 인해 배터리가 열화되면, 초기 배터리 셀의 가용 용량 범위에 비하여, 열화된 배터리 셀의 가용 용량이 작을 수 있다. 배터리를 장기간 운전하는 경우 배터리 열화로 인하여 가용 용량이 감소할 수 있다. 이에 따라, 배터리의 열화로 인한 배터리 SOH(State of Health) 감소에 기반하여 배터리의 SOC를 추정할 필요가 있다.
도 2는 일 실시 예에 따른 배터리 상태 추정 장치(100)의 블럭도이다. 도 2을 참고하면, 배터리 상태 추정 장치(100)는 SOH 추정부(120), SOC 추정부(130)를 포함할 수 있다.
SOH 추정부(120)는 배터리로부터 획득한 데이터에 기반하여 배터리 열화로 인한 배터리 SOH(State of Health)를 추정할 수 있다. 일반적으로 표준 충방전 사이클을 이용하여 배터리의 용량 감쇄(cafacity fade)를 추정할 수 있으나, 제한된 환경 조건하에서 표준 충방전 사이클을 이용하여 추정한 용량 감쇄와 배터리 각각을 개별적으로 운전했을 때 실제 운전 조건하에서 추정한 용량 감쇄는 차이가 있을 수 있다. 또한, 배터리의 열화 인자들은 복합적으로 작용할 수 있는데, 이러한 모든 열화 인자들의 교호 작용을 고려하여 배터리의 용량 감쇄를 추정하는 것이 필요하다.
일 실시 예에 따르면, SOH 추정부(120)는 다양한 열화 인자들을 고려할 수 있는 데이터 분석 기법을 이용하여 각각의 배터리에서 실측한 배터리 운전 데이터로부터 배터리 열화로 인한 배터리 SOH 감소를 추정할 수 있다. 예를 들어, 배터리 운전에 따른 데이터로부터 다양한 열화 인자들을 고려하여 배터리 SOH를 추정하는 경우, 실제 배터리 운전 환경에서의 가용 용량 변화를 더 정확하게 추정할 수 있어 배터리 상태 추정의 오차를 감소시킬 수 있다.
SOC 추정부(130)는 추정한 배터리 SOH에 기반하여 배터리 SOC(State of Charge)를 추정할 수 있다. 또한, SOC 추정부(130)는 배터리 내 전위, 농도 분포 중 하나 이상의 배터리 상태을 추정할 수 있다. 예를 들어, SOC 추정부(130)는 추정한 배터리 SOH에 기반하여 전극 관련 파라미터를 계산하고, 전극 파라미터를 전기 화학모델에 적용하여 배터리의 SOC를 추정할 수 있다.
도 3은 일 실시 예에 따른 배터리 상태 추정 장치(100)의 상세 블록도이다. 도 3을 참고하면, 배터리 상태 추정 장치(100)는 데이터 수집부(110), SOH 추정부(120), SOC 추정부(130), 파라미터 저장소(140), 전기 화학 모델(150)을 포함할 수 있다.
데이터 수집부(110)는 센서를 통하여 센싱된 데이터 및 배터리 동작 환경에 관한 데이터를 수집할 수 있다. 예를 들어, 데이터 수집부(110)는 전압, 전류, 온도, 전류율(C-rate), 충방전 사이클의 변화량, 충방전 반복 횟수 등의 데이터를 센싱하거나 측정하는 등으로 수집할 수 있다.
SOH 추정부(120)는 데이터 수집부(110)를 통해 수집된 데이터를 사전에 학습된 데이터 분석 기법에 적용하여 배터리 SOH를 추정할 수 있다. 예를 들어, 데이터 분석 기법은 신경망(Neural network), 딥 러닝(Deep learning) 중 하나 이상에 기반하여 배터리 운전에 따른 데이터로부터 배터리 열화 정도를 고려하는 분석 기법일 수 있다.
일 실시 예에 따르면, 신경망(Neural network) 기반의 데이터 분석 기법은 입력 계층(input layer)과 출력 계층(output layer)사이에 복수 개의 은닉 계층(hidden layer)들을 포함할 수 있다. 신경망(Neural network) 기반의 데이터 분석 기법은 수집한 데이터, 예를 들어 전압, 전류, 온도, 전류율(C-rate), 충방전 사이클의 변화량, 충방전 반복 횟수 등을 입력 데이터 또는 복수 개의 은닉 계층 사이에 가중치 파라미터로 설정하고, 배터리의 실제 운전에 따른 복합적인 배터리 열화 인자들을 고려한 용량 감쇄를 추정하도록 사전에 학습될 수 있다. 신경망(Neural network) 기반의 데이터 분석 기법은 배터리 관리 시스템(BMS, Battery Management System) 내부 또는 외부에서 학습, 생성된 분석 모델 또는 계산 모듈일 수 있다.
SOH 추정부(120)는 데이터 수집부(110)를 통하여 수집된 데이터를 신경망(Neural netwokr) 기반의 데이터 분석 기법에 입력하고, 사전에 학습된 신경망(Neural netowk) 기반의 데이터 분석 기법을 적용하여 다양한 열화 인자들이 고려된 배터리 SOH를 추정할 수 있다. 일 예로, 배터리의 장기 운전에 따라 배터리가 실제로 열화된 정도를 고려하여 배터리의 용량 감쇄를 추정할 수 있고, 이로부터 배터리 SOH를 정확하게 추정할 수 있다.
SOC 추정부(130)는 추정한 배터리 SOH에 기반하여 배터리 SOC(State of Charge)를 추정할 수 있다.또한, SOC 추정부(130)는 추정한 배터리 SOH로부터 배터리의 전위, 농도 분포 중 하나 이상의 배터리 상태를 추정할 수 있다.
예를 들어, SOC 추정부(130)는 추정한 배터리 SOH로부터 배터리의 전극 관련 파라미터를 계산할 수 있다. 일 예로, 전극 관련 파라미터는 전극 체적비, 막 저항(film resistance), 전극 입자 등을 포함할 수 있다. SOC 추정부(130)는 계산한 전극 관련 파라미터를 파라미터 저장소(140)에 저장함으로써 전극 관련 파라미터를 갱신할 수 있다. 한편, 제시된 실시 예 이외에도 전극 관련 파라미터의 종류는 다양하게 있을 수 있다.
이때, 갱신된 파라미터는 배터리 열화로 인한 배터리 SOH를 고려한 값이고, SOC 추정부(130)는 갱신된 파라미터를 전기화학 모델(150)에 적용하여 배터리 SOC를 추정할 수 있다.
또한, 배터리 열화로 인한 배터리 SOH 감소는 배터리를 운전함에 따라 장기간에 걸쳐 나타날 수 있고, SOC 추정부(130)는 소정의 기준에 따라 전극 관련 파라미터를 갱신하는 갱신 주기를 결정할 수 있다. 일 예로, SOC 추정부(130)는 배터리 용량, 배터리 운전 시간, 충방전 시간 및 충방전 사이클 횟수 중 하나 또는 조합에 기초하여 파라미터 갱신 주기를 결정할 수 있다. 일 예로, SOC 추정부(130)는 파라미터 갱신 주기를 1일, 1주일, 1개월 등으로 결정하거나, 충방전 사이클 횟수에 따라 파라미터 갱신 주기를 결정할 수 있고, 소정의 기준들을 조합하여 파라미터의 갱신 주기를 사전에 설정할 수 있다.
도 4는 배터리 SOH에 기반하여 배터리 상태를 추정하는 일 예이다. 도 4의 좌측 그래프를 참고하면, 배터리를 운전하여 수집한 데이터를 신경망(Neural network) 기반의 데이터 분석 기법에 적용하여 추정한 용량 감쇄(capacity fade) 그래프가 도시된다. 이때, 추정된 용량 감쇄는 배터리의 실제 운전 환경에 따라 실측한 데이터로부터 추정되고, 복합적인 배터리 열화 인자들이 고려된 값일 수 있다.
배터리 상태 추정 장치(100)는 추정된 배터리 SOH로부터 전극 체적비(εCA), 막 저항(Rf)을 포함하는 전극 관련 파라미터를 계산할 수 있다. 배터리 상태 추정 장치(100)는 파라미터 저장소(140)에 계산된 파라미터를 저장하여, 전극 관련 파라미터를 배터리 열화 정도를 고려한 값으로 갱신할 수 있다. 도 4의 우측 그래프는 갱신한 파라미터를 전기화학 모델(150)(Electrochemical model)에 적용했을 때 배터리 SOC를 실측한 값(Exp) 및 시뮬레이션(Simulation)한 값을 나타낸 그래프이다. 여기서, 배터리 상태 추정 장치(100)에서 배터리 열화 정도를 고려하여 배터리 SOC를 추정한 시뮬레이션 값이 배터리 SOC를 실측한 값과 유사한 것을 볼 수 있다.
도 5a는 배터리 열화의 고려 없이 배터리 SOC를 추정하는 경우 배터리 SOC 그래프의 일 예이고, 도 5b는 일 실시 예에 따른 배터리 상태 추정 장치(100)를 이용하여 배터리 SOC를 추정하는 경우 배터리 SOC 그래프의 일 예이다. 도 5a를 참고하면, 배터리 열화를 고려하지 않고 배터리 SOC를 추정하는 경우, 배터리 SOC를 실측한 값과 배터리 상태를 추정한 시뮬레이션 값 사이에 차이가 발생할 수 있다. 이러한 차이는 배터리 열화 정도에 따라 점차 커질 수 있다.
도 5a 및 도 5b를 참고하면, 배터리의 운전에 따라 배터리의 충방전 사이클이 10회, 500회, 1000회, 2000회 등으로 증가하면, 배터리 SOH는 각각 0.99, 0.95, 0.855, 0.8 등으로 배터리 SOH가 감소할 수 있다. 이때, 도 5a와 같이, 배터리 열화를 고려하지 않고 배터리 SOC를 추정하는 경우, 배터리 SOC를 실측한 그래프(510)와 배터리 SOC를 추정한 시뮬레이션 그래프(550) 사이에 오차가 커질 수 있다.
이에 반해, 도 5b를 참고하면, 일 실시 예에 따른 배터리 상태 추정 장치(100)에서 배터리 열화를 반영하여 배터리 SOC를 추정하는 경우 충방전 사이클이 증가하고 배터리 열화 정도가 점차 커지더라도, 배터리 SOC를 추정한 시뮬레이션 그래프(550)와 배터리 SOC를 실측한 그래프(510) 사이의 오차가 크지 않다.
도 6은 일 실시 예에 따른 배터리 상태 추정 방법의 흐름도이다. 이하, 도 2, 도 6을 참고하여 배터리 상태 추정 장치(100)를 이용한 배터리 상태 추정 방법을 설명한다.
먼저, SOH 추정부(120)는 배터리로부터 획득한 데이터에 기반하여 배터리 열화로 인한 배터리 SOH를 추정할 수 있다(610). 일 실시 예에 따르면, SOH 추정부(120)는 다양한 열화 인자들을 고려할 수 있는 데이터 분석 기법을 이용하여 각각의 배터리에서 실측한 배터리 운전 데이터로부터 배터리 열화를 반영한 배터리 용량 감쇄를 추정할 수 있다. 실측한 데이터로부터 다양한 열화 인자들을 고려하여 배터리 용량 감쇄를 추정하는 경우, 실제 배터리 운전 환경에서의 가용 용량 변화를 더 정확하게 추정할 수 있어 배터리 상태 추정의 오차를 감소시킬 수 있다.
그 다음, SOC 추정부(130)는 추정한 배터리 SOH에 기반하여 배터리 SOC를 추정할 수 있다(620).또한,SOC 추정부(130)는 배터리 내 전위, 농도 분포 중 하나 이상을 추정할 수 있다. 예를 들어, SOC 추정부(130)는 추정한 배터리 SOH에 기반하여 전극 관련 파라미터를 계산하고, 전극 파라미터를 전기 화학모델에 적용하여 배터리의 SOC(State of charge)를 추정할 수 있다.
도 7은 일 실시 예에 따른 배터리 상태 추정 방법의 상세 흐름도이다. 이하 도 3의 배터리 상태 추정 장치(100)를 이용하여 배터리 상태 추정 방법을 상세히 설명한다.
먼저, 데이터 수집부(110)는 센서를 통하여 센싱된 데이터 및 배터리 동작 환경에 관한 데이터를 수집할 수 있다. 예를 들어, 데이터 수집부(110)는 전압, 전류, 온도, 전류율(C-rate), 충방전 사이클의 변화량, 충방전 반복 횟수 등의 데이터를 센싱하거나 측정하는 등으로 수집할 수 있다(710).
그 다음, SOH 추정부(120)는 데이터 수집부(110)를 통해 수집한 데이터를 사전에 학습된 데이터 분석 기법에 적용하여 배터리 SOH를 추정할 수 있다(720). 예를 들어, 데이터 분석 기법은 신경망(Neural network), 딥 러닝(Deep learning) 중 하나 이상에 기반하여 배터리 운전에 따른 데이터로부터 배터리 열화 정도를 고려하는 분석 기법일 수 있다.
일 실시 예에 따르면, 신경망(Neural network) 기반의 데이터 분석 기법은 입력 계층(input layer)과 출력 계층(output layer)사이에 복수 개의 은닉 계층(hidden layer)들을 포함할 수 있다. 신경망(Neural network) 기반의 데이터 분석 기법은 수집한 데이터, 예를 들어 전압, 전류, 온도, 전류율(C-rate), 충방전 사이클의 변화량, 충방전 반복 횟수 등을 입력 데이터 또는 복수 개의 은닉 계층 사이에 가중치 파라미터로 설정하고, 배터리의 실제 운전에 따른 복합적인 배터리 열화 인자들을 고려한 용량 감쇄를 추정하도록 사전에 학습될 수 있다. 여기서, 신경망(Neural network) 기반의 데이터 분석 기법은 배터리 관리 시스템(BMS, Battery Management System) 내부 또는 외부에서 학습, 생성된 분석 모델 또는 계산 모듈일 수 있다.
SOH 추정부(120)는 데이터 수집부(110)를 통하여 수집한 데이터를 신경망(Neural netwokr) 기반의 데이터 분석 기법에 입력하고, 사전에 학습된 신경망(Neural netowk) 기반의 데이터 분석 기법을 이용하여 다양한 열화 인자들이 고려된 배터리 SOH를 추정할 수 있다. 일 예로, 배터리의 장기 운전에 따라 배터리가 실제로 열화된 정도를 고려하여 배터리의 용량 감쇄를 추정할 수 있고, 이로부터 배터리의 상태를 더 정확하게 추정할 수 있다.
그 다음, SOC 추정부(130)는 추정한 배터리 SOH에 기반하여 배터리 SOC를 추정할 수 있다.또한, SOC 추정부(130)는 추정한 배터리 SOH로부터 배터리의 전위, 농도 분포 중 하나 이상의 배터리 상태를 추정할 수 있다.
예를 들어, SOC 추정부(130)는 추정한 배터리 SOH로부터 배터리의 전극 관련 파라미터를 갱신할 수 있다(730). 일 예로, 전극 관련 파라미터는 전극 체적비, 막 저항(film resistance), 전극 입자 등을 포함할 수 있다. SOC 추정부(130)는 계산한 전극 관련 파라미터를 파라미터 저장소(140)에 저장함으로써 전극 관련 파라미터를 갱신할 수 있다. 이때, 갱신된 파라미터는 배터리 열화로 인한 배터리 배터리 SOH 감소를 고려한 값일 수 있다. 한편, 제시된 실시 예 이외에도 전극 관련 파라미터의 종류는 다양하게 있을 수 있다.
그 다음, SOC 추정부(130)는 갱신된 파라미터에 기초하여 배터리 SOC를 추정할 수 있다(740). 예를 들어, SOC 추정부(130)는 갱신한 파라미터를 전기화학 모델(150)에 적용하여 배터리 SOC를 추정할 수 있다.
도 8은 파라미터 갱신 주기에 기초한 배터리 상태 추정 방법의 상세 흐름도이다. 이하, 도 8 및 도 3의 배터리 상태 추정 장치(100)를 참고하면, 먼저, SOH 추정부(120)는 배터리로부터 획득한 데이터에 기반하여 배터리 열화로 인한 배터리 SOH를 추정 할 수 있다(810).
그 다음, SOC 추정부(130) 사전에 결정한 파라미터 갱신 주기 도달 여부를 판단할 수 있다(820). 예를 들어, SOC 추정부(130)는 배터리 용량, 배터리 운전 시간, 충방전 시간 및 충방전 사이클 횟수 중 하나 또는 조합에 기초하여 파라미터 갱신 주기를 결정할 수 있다. 일 예로, SOC 추정부(130)는 파라미터 갱신 주기를 1일, 1주일, 1개월 등으로 결정하거나, 충방전 사이클 횟수에 따라 파라미터 갱신 주기를 결정할 수 있고, 소정의 기준들을 조합하여 파라미터의 갱신 주기를 사전에 설정할 수 있다.
SOC 추정부(130)는 소정의 기준에 따라 설정된 파라미터 갱신 주기에 도달하는 경우, 추정한 배터리 SOH에 기반하여 전극 관련 파라미터를 갱신할 수 있다(530). 일 예로, 전극 관련 파라미터는 전극 체적비, 막 저항(film resistance), 전극 입자 등을 포함할 수 있다.
그 다음, SOC 추정부(130)는 전기 화학 모델에 기반하여 배터리 상태를 추정할 수 있다(540). 일 예로, SOC 추정부(130)는 전극 관련 파라미터를 갱신하면, 갱신한 전극 관련 파라미터를 전기 화학 모델에 적용하여 배터리 SOC를 추정할 수 있다.
한편, 사전에 결정된 파라미터 갱신 주기에 도달하지 않은 경우, SOC 추정부(130)는 파라미터 저장소에 저장된 파라미터를 전기 화학 모델에 적용하여 배터리 SOC를 추정 할 수 있다(540).
배터리 열화로 인한 배터러 SOH 감소는 배터리를 운전함에 따라 장기간에 걸쳐 나타날 수 있고, SOC 추정부(130)는 소정의 기준에 따라 전극 관련 파라미터를 갱신하는 갱신 주기를 사전에 결정함으로써 불필요한 계산 과정을 줄이고 배터리 상태 추정의 정확도를 높일 수 있다.
본 실시 예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 실시 예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
100: 배터리 상태 추정 장치
110: 데이터 수집부
120: SOH 추정부
130: SOC 추정부
140: 파라미터 저장소
150: 전기화학 모델

Claims (16)

  1. 배터리로부터 전압, 전류, 온도, 전류율, 충방전 사이클 중 하나 이상의 데이터를 수집하는 데이터 수집부;
    상기 수집한 데이터를 사전에 학습된 신경망(Neural network)의 입력 계층에 입력하고, 상기 신경망의 출력 계층의 출력을 기초로 배터리 열화로 인한 배터리 SOH(State of Health)를 추정하며, 파라미터 갱신 주기가 되면, 상기 추정된 배터리 SOH에 기초하여 상기 배터리의 전극 관련 파라미터를 갱신하는 SOH 추정부; 및
    상기 갱신한 전극 관련 파라미터를 전기화학 모델에 적용하여 배터리 SOC(State of Charge)를 추정하는 SOC 추정부;를 포함하는 배터리 상태 추정 장치.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 전극 관련 파라미터는 전극 체적비, 막 저항, 전극 입자 크기 중 하나 이상을 포함하는 배터리 상태 추정 장치.
  7. 제1항에 있어서,
    상기 SOC 추정부는
    배터리 용량, 배터리 운전 시간, 충방전 시간 및 충방전 사이클 횟수 중 하나 이상에 기초하여 파라미터 갱신 주기를 결정하는 배터리 상태 추정 장치.
  8. 제1항에 있어서,
    상기 SOC 추정부는 상기 갱신한 파라미터를 전기 화학 모델에 적용하여 전위, 농도 분포 중 하나 이상의 배터리 상태를 추정하는 배터리 상태 추정 장치.
  9. 배터리로부터 전압, 전류, 온도, 전류율, 충방전 사이클 중 하나 이상의 데이터를 수집하는 단계;
    상기 수집한 데이터를 사전에 학습된 신경망(Neural network)의 입력 계층에 입력하고, 상기 신경망의 출력 계층의 출력을 기초로 배터리 열화로 인한 배터리 SOH(State of Health)를 추정하며, 파라미터 갱신 주기가 되면, 상기 추정된 배터리 SOH에 기초하여 상기 배터리의 전극 관련 파라미터를 갱신하는 단계; 및
    상기 갱신한 전극 관련 파라미터를 전기화학 모델에 적용하여 배터리 SOC(State of Charge)를 추정하는 단계;를 포함하는 배터리 상태 추정 방법.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 제9항에 있어서,
    상기 배터리 SOC를 추정하는 단계는
    배터리 용량, 배터리 운전 시간, 충방전 시간 및 충방전 사이클 횟수 중 하나 이상에 기초하여 파라미터 갱신 주기를 결정하는 단계를 더 포함하는 배터리 상태 추정 방법.
  14. 삭제
  15. 제9항에 있어서,
    상기 전극 관련 파라미터는 전극 체적비, 막 저항, 전극 입자 크기 중 하나 이상을 포함하는 배터리 상태 추정 방법.
  16. 제9항에 있어서,
    상기 배터리 SOC를 추정하는 단계는 상기 갱신한 파라미터를 전기 화학 모델에 적용하여 전위, 농도 분포 중 하나 이상의 배터리 상태를 추정하는 배터리 상태 추정 방법.
KR1020160004902A 2016-01-14 2016-01-14 배터리의 상태 추정 장치 및 방법 KR102553031B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160004902A KR102553031B1 (ko) 2016-01-14 2016-01-14 배터리의 상태 추정 장치 및 방법
US15/405,650 US10935608B2 (en) 2016-01-14 2017-01-13 Apparatus and method for estimating state of battery

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160004902A KR102553031B1 (ko) 2016-01-14 2016-01-14 배터리의 상태 추정 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20170085365A KR20170085365A (ko) 2017-07-24
KR102553031B1 true KR102553031B1 (ko) 2023-07-06

Family

ID=59314584

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160004902A KR102553031B1 (ko) 2016-01-14 2016-01-14 배터리의 상태 추정 장치 및 방법

Country Status (2)

Country Link
US (1) US10935608B2 (ko)
KR (1) KR102553031B1 (ko)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11226374B2 (en) * 2017-10-17 2022-01-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven model for lithium-ion battery capacity fade and lifetime prediction
KR102259967B1 (ko) 2017-12-18 2021-06-02 주식회사 엘지에너지솔루션 배터리 충전관리 장치 및 방법
KR102156404B1 (ko) 2018-01-09 2020-09-15 주식회사 엘지화학 배터리 셀 성능 테스트 장치 및 방법
KR102525676B1 (ko) 2018-02-20 2023-04-24 에스케이온 주식회사 배터리 관리 시스템
WO2019181729A1 (ja) * 2018-03-20 2019-09-26 株式会社Ｇｓユアサ 劣化推定装置、コンピュータプログラム及び劣化推定方法
CN111868539A (zh) * 2018-03-20 2020-10-30 株式会社杰士汤浅国际 劣化估计装置、计算机程序以及劣化估计方法
KR102002859B1 (ko) * 2018-03-26 2019-07-23 숭실대학교산학협력단 배터리 진단 기능을 갖는 충전기 및 그 제어방법
CN108896920A (zh) * 2018-06-19 2018-11-27 合肥国轩高科动力能源有限公司 一种低温hppc测试时锂离子电池的定容方法
CN109061483A (zh) * 2018-06-28 2018-12-21 珠海格力电器股份有限公司 电池健康状态的检测方法、装置、存储介质和处理器
KR102239040B1 (ko) * 2018-06-29 2021-04-13 성균관대학교산학협력단 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법
CN110850296A (zh) * 2018-08-01 2020-02-28 北京京东尚科信息技术有限公司 一种评估电池健康度的方法和装置
AT521643B1 (de) * 2018-08-31 2020-09-15 Avl List Gmbh Verfahren und Batteriemanagementsystem zum Ermitteln eines Gesundheitszustandes einer Sekundärbatterie
KR20210076009A (ko) 2018-09-17 2021-06-23 볼보 트럭 코퍼레이션 배터리의 건강 상태를 추산하기 위한 방법 및 시스템
CN109613445B (zh) * 2018-12-28 2021-05-25 蜂巢能源科技有限公司 一种估计动力电池的健康状态的方法和装置
US10641836B1 (en) * 2019-02-06 2020-05-05 Chongqing Jinkang New Energy Automobile Co., Ltd. Battery state of health estimation using open circuit voltage slope
WO2020196596A1 (ja) * 2019-03-28 2020-10-01 株式会社Ｇｓユアサ 開発支援装置、開発支援方法、及びコンピュータプログラム
KR20200140093A (ko) 2019-06-05 2020-12-15 삼성에스디아이 주식회사 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템
CN110376527B (zh) * 2019-07-11 2021-10-01 奇瑞新能源汽车股份有限公司 一种动力电池健康状态soh的估算方法及电动汽车
KR20210028476A (ko) 2019-09-04 2021-03-12 삼성전자주식회사 배터리 충전 장치 및 방법
KR20210089021A (ko) * 2020-01-07 2021-07-15 주식회사 엘지에너지솔루션 시뮬레이션 시스템 및 데이터 분산 방법
US11360147B2 (en) * 2020-03-03 2022-06-14 Karma Automotive Llc Method of determining the state of charge of a battery used in an electric vehicle
KR102362532B1 (ko) * 2020-03-16 2022-02-16 주식회사 로보볼트 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치
KR102439041B1 (ko) * 2020-08-14 2022-09-02 주식회사 한국파워셀 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
KR102595386B1 (ko) * 2020-12-21 2023-10-26 경북대학교 산학협력단 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치
US12078682B2 (en) * 2021-03-03 2024-09-03 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of battery
CN113866638A (zh) * 2021-08-24 2021-12-31 陈九廷 一种电池参数推测方法、装置、设备及介质
KR102642738B1 (ko) * 2021-10-26 2024-03-05 원광전력주식회사 인공지능을 이용한 이차전지 배터리팩의 수명추정 장치
WO2024136347A1 (ko) * 2022-12-19 2024-06-27 주식회사 엘지에너지솔루션 배터리 상태 예측 장치 및 그것의 동작 방법
US20240319277A1 (en) * 2023-03-22 2024-09-26 Element Energy, Inc. Anomalous battery node detection and mitigation system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110027621A1 (en) * 2009-07-29 2011-02-03 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Instrumented fluid-surfaced electrode
US20110077880A1 (en) * 2009-09-30 2011-03-31 Battelle Energy Alliance, Llc Systems, methods and computer readable media for estimating capacity loss in rechargeable electrochemical cell
US20130066573A1 (en) * 2011-09-12 2013-03-14 Eaglepicher Technologies, Llc Systems and methods for determining battery state-of-health
US20140350877A1 (en) * 2013-05-25 2014-11-27 North Carolina State University Battery parameters, state of charge (soc), and state of health (soh) co-estimation

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08194037A (ja) 1995-01-19 1996-07-30 Nippon Soken Inc アルカリ電池の残存容量測定方法および装置
JP4038788B2 (ja) 2002-02-22 2008-01-30 アクソンデータマシン株式会社 バッテリの残存容量判定方法と、その装置
JP4655568B2 (ja) 2004-05-25 2011-03-23 トヨタ自動車株式会社 二次電池の状態推定方法およびシステム
FR2965360B1 (fr) * 2010-09-27 2013-03-29 IFP Energies Nouvelles Procede de diagnostic in situ de batteries par spectroscopie d'impedance electrochimique
US8395519B2 (en) 2010-11-19 2013-03-12 General Electric Company Device and method of determining safety in a battery pack
KR101282687B1 (ko) 2011-11-07 2013-07-05 현대자동차주식회사 차량용 배터리 상태 예측 방법
AT512888B1 (de) 2012-05-03 2014-11-15 Avl List Gmbh Verfahren zur Bestimmung kritischer Betriebszustände an einem Brennstoffzellenstack
JP2014127341A (ja) 2012-12-26 2014-07-07 Nissan Motor Co Ltd 電池状態検知システム及び電池状態検知方法
US9575128B2 (en) * 2013-03-12 2017-02-21 GM Global Technology Operations LLC Battery state-of-charge estimation for hybrid and electric vehicles using extended kalman filter techniques
FR3010532B1 (fr) * 2013-09-11 2017-06-09 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie
KR101509001B1 (ko) 2013-10-31 2015-04-07 현대모비스 주식회사 차량용 고전압 배터리의 열화 판정 장치 및 방법
US20150349385A1 (en) * 2014-04-01 2015-12-03 Medtronic, Inc. Method and System for Predicting Useful Life of a Rechargeable Battery
KR102241683B1 (ko) * 2014-07-30 2021-04-19 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
WO2016042488A1 (en) * 2014-09-16 2016-03-24 Wayne State University Battery state of charge estimator
KR101619634B1 (ko) * 2014-11-06 2016-05-10 현대자동차주식회사 배터리 모델 파라미터를 이용한 배터리 성능상태 추정 시스템 및 그 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110027621A1 (en) * 2009-07-29 2011-02-03 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Instrumented fluid-surfaced electrode
US20110077880A1 (en) * 2009-09-30 2011-03-31 Battelle Energy Alliance, Llc Systems, methods and computer readable media for estimating capacity loss in rechargeable electrochemical cell
US20130066573A1 (en) * 2011-09-12 2013-03-14 Eaglepicher Technologies, Llc Systems and methods for determining battery state-of-health
US20140350877A1 (en) * 2013-05-25 2014-11-27 North Carolina State University Battery parameters, state of charge (soc), and state of health (soh) co-estimation

Also Published As

Publication number Publication date
KR20170085365A (ko) 2017-07-24
US10935608B2 (en) 2021-03-02
US20170205469A1 (en) 2017-07-20

Similar Documents

Publication Publication Date Title
KR102553031B1 (ko) 배터리의 상태 추정 장치 및 방법
US20210132151A1 (en) Method and apparatus for estimating state of health of battery
KR102652848B1 (ko) 리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하는 방법 및 장치
KR101989692B1 (ko) 배터리 노화 진단 방법 및 시스템
Lee et al. State-of-charge and capacity estimation of lithium-ion battery using a new open-circuit voltage versus state-of-charge
US10345390B2 (en) Method and apparatus for correcting error occurring in estimation of battery life
JP5058814B2 (ja) バッテリーの状態及びパラメーターの推定システム及び方法
KR102349235B1 (ko) 배터리의 충전 상태를 추정하기 위한 장치 및 방법
US20210173012A1 (en) Method and system for estimation of open circuit voltage of a battery cell
Yang et al. Battery states online estimation based on exponential decay particle swarm optimization and proportional-integral observer with a hybrid battery model
Li et al. A wavelet transform‐adaptive unscented Kalman filter approach for state of charge estimation of LiFePo4 battery
JP2020508442A (ja) バッテリー充電状態推定装置及び方法
KR102636362B1 (ko) 배터리 상태 추정 방법 및 장치
WO2015041093A1 (ja) 蓄電池性能評価装置およびその方法
KR101792537B1 (ko) 배터리 상태 추정 장치 및 방법, 이를 수행하기 위한 기록매체
Fleischer et al. On-line self-learning time forward voltage prognosis for lithium-ion batteries using adaptive neuro-fuzzy inference system
JP2020109367A (ja) 内部状態推定装置および方法、ならびに電池制御装置
KR102534849B1 (ko) 배터리의 이온 농도 및 쿨롱 카운팅 soc를 실시간으로 조정하는 방법
KR20170088424A (ko) 배터리 셀의 충전 상태를 추정하는 자동적 방법
JP2013044598A (ja) 二次電池の劣化管理システム
KR20180058057A (ko) 배터리 상태 추정 방법, 그 방법을 수행하는 장치 및 컴퓨터 프로그램
CN113785209B (zh) 用于检测异常电池单体的方法
JP2023541417A (ja) バッテリの充電状態を推定する方法
Venugopal et al. Analysis of optimal machine learning approach for battery life estimation of Li-ion cell
KR20160060556A (ko) 전지 잔량 예측 장치 및 배터리 팩

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant